Ma trận hợp tác AI - Blockchain sẽ trở thành công cụ quan trọng để đánh giá các dự án, giúp người quyết định phân biệt giữa những đổi mới thực sự có ảnh hưởng và những tiếng ồn vô nghĩa.
Tác giả: Swayam
Biên dịch: 深潮TechFlow
Sự phát triển nhanh chóng của trí tuệ nhân tạo (AI) đã khiến một số ít công ty công nghệ lớn nắm giữ khả năng tính toán, tài nguyên dữ liệu và công nghệ thuật toán chưa từng có. Tuy nhiên, khi hệ thống AI ngày càng trở nên phổ biến trong xã hội của chúng ta, các vấn đề liên quan đến khả năng tiếp cận, tính minh bạch và quyền kiểm soát đã trở thành những chủ đề trung tâm trong các cuộc thảo luận về công nghệ và chính sách. Trong bối cảnh này, sự kết hợp giữa công nghệ blockchain và AI cung cấp cho chúng ta một con đường thay thế đáng để khám phá - một cách có thể định nghĩa lại phương pháp phát triển, triển khai, mở rộng và quản trị hệ thống AI.
Chúng tôi không có ý định hoàn toàn lật đổ cơ sở hạ tầng AI hiện có, mà hy vọng thông qua phân tích, khám phá những lợi thế độc đáo mà phương pháp phi tập trung có thể mang lại trong một số trường hợp sử dụng cụ thể. Đồng thời, chúng tôi cũng thừa nhận rằng trong một số tình huống, hệ thống tập trung truyền thống có thể vẫn là lựa chọn thực tế hơn.
Một số câu hỏi chính dưới đây đã dẫn dắt nghiên cứu của chúng tôi:
Các đặc điểm cốt lõi của hệ thống phi tập trung (như tính minh bạch, khả năng chống kiểm duyệt) có thể bổ sung cho nhu cầu của hệ thống AI hiện đại (như hiệu quả, khả năng mở rộng) hay sẽ gây ra mâu thuẫn?
Trong từng giai đoạn phát triển AI - từ thu thập dữ liệu đến huấn luyện mô hình rồi đến suy diễn - công nghệ blockchain có thể mang lại những cải tiến thực chất ở những lĩnh vực nào?
Trong thiết kế hệ thống AI phi tập trung, các giai đoạn khác nhau sẽ đối mặt với những sự đánh đổi kỹ thuật và kinh tế nào?
Giới hạn hiện tại trong ngăn xếp công nghệ AI
Đội ngũ Epoch AI đã đóng góp quan trọng trong việc phân tích những hạn chế hiện tại của ngăn xếp công nghệ AI. Nghiên cứu của họ đã làm rõ những nút thắt chính mà khả năng tính toán huấn luyện AI có thể gặp phải vào năm 2030, và sử dụng số lượng phép toán dấu phẩy động mỗi giây (FLoPs) như một chỉ số cốt lõi để đo lường hiệu suất tính toán.
Nghiên cứu cho thấy, khả năng mở rộng tính toán huấn luyện AI có thể bị hạn chế bởi nhiều yếu tố, bao gồm thiếu nguồn cung điện, nút thắt trong công nghệ sản xuất chip, sự khan hiếm dữ liệu và vấn đề độ trễ mạng. Những yếu tố này xác định các giới hạn khác nhau cho khả năng tính toán có thể đạt được, trong đó vấn đề độ trễ được coi là giới hạn lý thuyết khó vượt qua nhất.
Biểu đồ này nhấn mạnh sự cần thiết của phần cứng, hiệu quả năng lượng, mở khóa dữ liệu được thu thập từ các thiết bị biên và sự tiến bộ trong mạng để hỗ trợ sự phát triển của trí tuệ nhân tạo trong tương lai.
Giới hạn năng lượng (Hiệu suất):
Khả năng mở rộng hạ tầng điện lực (dự báo năm 2030): Dự kiến đến năm 2030, công suất của các khu trung tâm dữ liệu có thể đạt từ 1 đến 5 gigawatt (GW). Tuy nhiên, sự tăng trưởng này cần phụ thuộc vào đầu tư quy mô lớn vào hạ tầng điện, đồng thời cần vượt qua những rào cản về logistics và quy định có thể tồn tại.
Bị giới hạn bởi nguồn cung năng lượng và hạ tầng điện, dự kiến giới hạn mở rộng khả năng tính toán toàn cầu có thể đạt mức cao gấp 10.000 lần so với hiện nay.
Năng lực sản xuất chip (Khả năng xác minh):
Hiện tại, năng lực sản xuất chip (như NVIDIA H100, Google TPU v5) để hỗ trợ tính toán cấp cao bị giới hạn bởi công nghệ đóng gói (chẳng hạn như công nghệ CoWoS của TSMC). Hạn chế này ảnh hưởng trực tiếp đến tính khả dụng và khả năng mở rộng của tính toán có thể xác minh.
Các nút thắt trong sản xuất chip và chuỗi cung ứng là rào cản chính, nhưng vẫn có thể đạt được khả năng tính toán tăng cao tới 50.000 lần.
Ngoài ra, việc kích hoạt các khu vực cách ly an toàn hoặc môi trường thực thi đáng tin cậy (TEEs) trên các thiết bị biên là rất quan trọng. Những công nghệ này không chỉ có khả năng xác minh kết quả tính toán mà còn bảo vệ quyền riêng tư của dữ liệu nhạy cảm trong quá trình tính toán.
Sự khan hiếm dữ liệu (Riêng tư):
Rào cản độ trễ (Hiệu suất):
Giới hạn độ trễ nội tại trong huấn luyện mô hình: Cùng với việc quy mô của mô hình AI ngày càng tăng, thời gian cần thiết cho một lần lan truyền hướng về phía trước và phía sau sẽ tăng lên đáng kể do tính tuần tự của quá trình tính toán. Độ trễ này là một hạn chế cơ bản không thể tránh khỏi trong quá trình huấn luyện mô hình, ảnh hưởng trực tiếp đến tốc độ huấn luyện.
Thách thức mở rộng kích thước lô: Để giảm thiểu vấn đề độ trễ, một phương pháp phổ biến là tăng kích thước lô, cho phép nhiều dữ liệu được xử lý song song. Tuy nhiên, việc mở rộng kích thước lô có những hạn chế thực tế, chẳng hạn như thiếu dung lượng bộ nhớ, và với kích thước lô tăng lên, lợi ích biên của mô hình hội tụ giảm dần. Những yếu tố này làm cho việc giảm thiểu độ trễ bằng cách tăng kích thước lô trở nên khó khăn hơn.
Cơ sở
Tam giác AI phi tập trung
Nhiều giới hạn hiện tại của AI (như sự khan hiếm dữ liệu, nút thắt khả năng tính toán, vấn đề độ trễ và năng lực sản xuất chip) tạo thành 'Tam giác AI phi tập trung'. Khung này cố gắng đạt được sự cân bằng giữa riêng tư, khả năng xác minh và hiệu suất. Ba thuộc tính này là yếu tố cốt lõi để đảm bảo tính hiệu quả, đáng tin cậy và khả năng mở rộng của hệ thống AI phi tập trung.
Bảng dưới đây phân tích chi tiết những sự đánh đổi chính giữa riêng tư, khả năng xác minh và hiệu suất, đi sâu vào định nghĩa, công nghệ thực hiện và những thách thức mà chúng đang phải đối mặt:
Riêng tư: Trong quá trình huấn luyện và suy diễn AI, việc bảo vệ dữ liệu nhạy cảm là rất quan trọng. Để làm điều này, nhiều công nghệ chính đã được sử dụng, bao gồm môi trường thực thi đáng tin cậy (TEEs), tính toán đa bên (MPC), học tập liên bang, mã hóa toàn đồng nhất (FHE) và riêng tư vi phân. Những công nghệ này tuy hiệu quả nhưng cũng mang lại những thách thức như chi phí hiệu suất, vấn đề minh bạch ảnh hưởng đến khả năng xác minh và hạn chế khả năng mở rộng.
Khả năng xác minh: Để đảm bảo tính đúng đắn và toàn vẹn của tính toán, các công nghệ như chứng minh không biết (ZKPs), chứng chỉ mã hóa và tính toán có thể xác minh đã được áp dụng. Tuy nhiên, việc đạt được sự cân bằng giữa quyền riêng tư, hiệu suất và khả năng xác minh thường cần thêm tài nguyên và thời gian, điều này có thể dẫn đến độ trễ trong tính toán.
Hiệu suất: Thực hiện tính toán AI một cách hiệu quả và đạt được ứng dụng quy mô lớn phụ thuộc vào cơ sở hạ tầng tính toán phân tán, tăng tốc phần cứng và kết nối mạng hiệu quả. Tuy nhiên, việc áp dụng các công nghệ tăng cường quyền riêng tư có thể làm giảm tốc độ tính toán, và tính toán có thể xác minh cũng sẽ gia tăng chi phí bổ sung.
Khó khăn ba chiều của blockchain:
Thách thức cốt lõi mà lĩnh vực blockchain đang phải đối mặt là ba khó khăn, mỗi hệ thống blockchain phải đưa ra sự cân bằng giữa ba yếu tố sau:
Phi tập trung: Ngăn chặn bất kỳ thực thể đơn lẻ nào kiểm soát hệ thống bằng cách phân phối mạng trên nhiều nút độc lập.
Bảo mật: Đảm bảo mạng không bị tấn công và giữ nguyên tính toàn vẹn của dữ liệu, thường yêu cầu nhiều quy trình xác minh và đồng thuận hơn.
Khả năng mở rộng: Xử lý một lượng lớn giao dịch một cách nhanh chóng và kinh tế, tuy nhiên điều này thường có nghĩa là phải nhượng bộ về phi tập trung (giảm số lượng nút) hoặc bảo mật (giảm độ mạnh của xác minh).
Ví dụ, Ethereum ưu tiên sự phi tập trung và bảo mật, vì vậy tốc độ xử lý giao dịch của nó tương đối chậm. Hiểu sâu về những sự đánh đổi này trong kiến trúc blockchain có thể tham khảo tài liệu liên quan.
Ma trận phân tích hợp tác AI - Blockchain (3x3)
Sự kết hợp giữa AI và blockchain là một quá trình đánh đổi và cơ hội phức tạp. Ma trận này cho thấy hai công nghệ này có thể phát sinh ma sát ở đâu, tìm thấy điểm phù hợp hài hòa, và đôi khi khuếch đại những điểm yếu của nhau.
Cách hoạt động của ma trận hợp tác
Mức độ hợp tác phản ánh sự tương thích và ảnh hưởng của các thuộc tính blockchain và AI trong các lĩnh vực cụ thể. Cụ thể, nó phụ thuộc vào cách hai công nghệ này cùng nhau đối phó với các thách thức và nâng cao chức năng của nhau. Ví dụ, trong việc bảo vệ dữ liệu, tính không thể thay đổi của blockchain kết hợp với khả năng xử lý dữ liệu của AI có thể mang lại những giải pháp mới.
Cách hoạt động của ma trận hợp tác
Ví dụ 1: Hiệu suất + Phi tập trung (Hợp tác yếu)
Trong mạng phi tập trung, chẳng hạn như Bitcoin hoặc Ethereum, hiệu suất thường bị hạn chế bởi nhiều yếu tố. Những hạn chế này bao gồm tính biến động của tài nguyên nút, độ trễ giao tiếp cao, chi phí xử lý giao dịch và độ phức tạp của cơ chế đồng thuận. Đối với các ứng dụng AI cần độ trễ thấp và thông lượng cao (ví dụ như suy diễn AI thời gian thực hoặc huấn luyện mô hình quy mô lớn), những mạng này khó có thể cung cấp đủ tốc độ và độ tin cậy tính toán để đáp ứng nhu cầu hiệu suất cao.
Ví dụ 2: Riêng tư + Phi tập trung (Hợp tác mạnh)
Công nghệ AI bảo vệ quyền riêng tư (như học tập liên bang) có thể tận dụng triệt để đặc tính phi tập trung của blockchain, đồng thời bảo vệ dữ liệu người dùng và đạt được sự hợp tác hiệu quả. Ví dụ, SoraChain AI cung cấp một giải pháp thông qua học tập liên bang hỗ trợ bởi blockchain, đảm bảo quyền sở hữu dữ liệu không bị tước đoạt. Các chủ sở hữu dữ liệu có thể đóng góp dữ liệu chất lượng cao cho việc huấn luyện mô hình mà vẫn giữ quyền riêng tư.
Mục tiêu của ma trận này là giúp ngành công nghiệp hiểu rõ hơn về điểm giao thoa giữa AI và blockchain, hướng dẫn các nhà đổi mới và nhà đầu tư ưu tiên những hướng đi khả thi, khám phá những lĩnh vực tiềm năng, đồng thời tránh rơi vào những dự án chỉ mang tính đầu cơ.
Ma trận hợp tác AI - Blockchain
Hai trục của ma trận hợp tác đại diện cho các thuộc tính khác nhau: một trục là ba đặc tính cốt lõi của hệ thống AI phi tập trung - khả năng xác minh, riêng tư và hiệu suất; trục còn lại là ba khó khăn của blockchain - bảo mật, khả năng mở rộng và phi tập trung. Khi những thuộc tính này giao nhau, sẽ hình thành một loạt hiệu ứng hợp tác, từ sự hòa hợp cao đến xung đột tiềm năng.
Ví dụ, khi khả năng xác minh và bảo mật kết hợp (Hợp tác cao), có thể xây dựng các hệ thống mạnh mẽ để chứng minh tính đúng đắn và toàn vẹn của tính toán AI. Nhưng khi nhu cầu về hiệu suất xung đột với phi tập trung (Hợp tác yếu), chi phí cao của hệ thống phân tán sẽ ảnh hưởng đáng kể đến hiệu suất. Hơn nữa, một số tổ hợp (như Riêng tư và Khả năng mở rộng) nằm ở giữa, vừa có tiềm năng vừa đối mặt với những thách thức kỹ thuật phức tạp.
Tại sao điều này quan trọng?
La bàn chiến lược: Ma trận này cung cấp cho các nhà quyết định, nhà nghiên cứu và nhà phát triển hướng đi rõ ràng, giúp họ tập trung vào những lĩnh vực hợp tác cao, chẳng hạn như đảm bảo quyền riêng tư dữ liệu thông qua học tập liên bang, hoặc sử dụng tính toán phi tập trung để thực hiện huấn luyện AI có khả năng mở rộng.
Tập trung vào những đổi mới có ảnh hưởng và phân bổ tài nguyên: Hiểu phân bố mức độ hợp tác (như bảo mật + khả năng xác minh, riêng tư + phi tập trung) giúp các bên liên quan tập trung tài nguyên vào các lĩnh vực có giá trị cao, tránh lãng phí vào những sự tích hợp yếu hoặc không thực tế.
Hướng dẫn sự tiến hóa của hệ sinh thái: Khi công nghệ AI và blockchain tiếp tục phát triển, ma trận này có thể được sử dụng như một công cụ động để đánh giá các dự án mới nổi, đảm bảo chúng đáp ứng nhu cầu thực tế, thay vì tiếp tay cho xu hướng thổi phồng quá mức.
Bảng dưới đây tóm tắt các tổ hợp thuộc tính theo mức độ hợp tác (từ mạnh đến yếu) và giải thích cách chúng hoạt động trong hệ thống AI phi tập trung. Đồng thời, bảng cũng cung cấp một số ví dụ về các dự án đổi mới, cho thấy các tổ hợp này trong các trường hợp thực tế. Qua bảng này, độc giả có thể hiểu rõ hơn về điểm giao thoa giữa công nghệ blockchain và AI, nhận diện các lĩnh vực thực sự có ảnh hưởng, đồng thời tránh xa những hướng đi quá đà hoặc không khả thi về mặt kỹ thuật.
Ma trận hợp tác AI - Blockchain: Phân loại các điểm giao thoa chính giữa AI và blockchain theo mức độ hợp tác
Kết luận
Sự kết hợp giữa blockchain và AI mang lại tiềm năng biến đổi lớn, nhưng sự phát triển trong tương lai cần có định hướng rõ ràng và nỗ lực tập trung. Những dự án thực sự thúc đẩy đổi mới đang định hình tương lai của trí tuệ phi tập trung bằng cách giải quyết các thách thức quan trọng như quyền riêng tư dữ liệu, khả năng mở rộng và niềm tin. Ví dụ, học tập liên bang (Riêng tư + Phi tập trung) đạt được sự hợp tác thông qua việc bảo vệ dữ liệu của người dùng, trong khi tính toán và huấn luyện phân tán (Hiệu suất + Khả năng mở rộng) nâng cao hiệu suất của hệ thống AI, và zkML (học máy không biết, Khả năng xác minh + Bảo mật) cung cấp sự đảm bảo cho tính đáng tin cậy của tính toán AI.
Đồng thời, chúng ta cũng cần nhìn nhận lĩnh vực này một cách thận trọng. Nhiều so-called AI agents thực tế chỉ là những gói đơn giản của các mô hình hiện có, chức năng hạn chế và việc kết hợp với blockchain cũng thiếu chiều sâu. Những bước đột phá thực sự sẽ đến từ những dự án phát huy tối đa lợi thế của blockchain và AI, đồng thời cam kết giải quyết các vấn đề thực tế, thay vì chỉ chạy theo sự thổi phồng của thị trường.
Nhìn về tương lai, ma trận hợp tác AI - Blockchain sẽ trở thành công cụ quan trọng để đánh giá các dự án, giúp người quyết định phân biệt giữa những đổi mới thực sự có ảnh hưởng và những tiếng ồn vô nghĩa.
Trong thập kỷ tới, những dự án có khả năng kết hợp độ tin cậy cao của blockchain với khả năng biến đổi của AI để giải quyết các vấn đề thực tế sẽ chiến thắng. Ví dụ, huấn luyện mô hình tiết kiệm năng lượng sẽ giảm đáng kể tiêu thụ năng lượng của hệ thống AI; hợp tác bảo vệ quyền riêng tư sẽ cung cấp môi trường an toàn hơn cho việc chia sẻ dữ liệu; trong khi quản trị AI có khả năng mở rộng sẽ thúc đẩy sự phát triển của các hệ thống thông minh lớn hơn và hiệu quả hơn. Ngành công nghiệp cần tập trung vào những lĩnh vực then chốt này để thực sự mở ra tương lai của trí thông minh phi tập trung.
